圖像相似度

正如你可能知道的，反向圖像搜索的問題是尋找相似的圖像。

但是如何定義圖像相似性呢？給出兩個(gè)樣本圖像，從視覺上我們可以很容易地確定它們是否相似。我們?nèi)绾瓮ㄟ^編程來做到這一點(diǎn)？

一種非常簡單的方法將基于與圖像關(guān)聯(lián)的元數(shù)據(jù)。換句話說，我們可以將圖像大小、RGB值、類別標(biāo)簽等元數(shù)據(jù)信息與每張圖像關(guān)聯(lián)起來。

許多web應(yīng)用程序仍然利用這種方法進(jìn)行反向圖像搜索。此類應(yīng)用程序通常將此類元數(shù)據(jù)存儲(chǔ)在ElasticSearch?或Solr?等優(yōu)化文本搜索平臺(tái)中。這種方法很簡單，但存在許多缺陷。最明顯的一個(gè)是需要大量的手工工作來標(biāo)記每個(gè)圖像。

一種更復(fù)雜的、基于計(jì)算機(jī)視覺的技術(shù)是從圖像本身提取不同的特征。傳統(tǒng)的計(jì)算機(jī)視覺算法，如SIFT和SURF，在提取特征時(shí)具有很強(qiáng)的魯棒性，可以通過比較特征來識(shí)別相似的圖像。

SIFT、SURF和其他一些傳統(tǒng)方法都擅長從輸入圖像中提取關(guān)鍵特征。圖1描述了如何利用基于SIFT的特征來查找類似的圖像。

圖1：基于SIFT特征的圖像相似性。它非常適用于堅(jiān)硬或不變的物體。這個(gè)例子展示了兩張從不同角度拍攝的自由女神像的照片。使用彩色線條顯示了兩個(gè)圖像之間的前50個(gè)匹配特征。

這個(gè)是一個(gè)快速和強(qiáng)大的方法，在我們有堅(jiān)硬對象的場景中非常有用。

例如，用矩形盒子如包裝盒或圓形圓盤如表盤等識(shí)別圖像，用這種方法是非常有效的。另一方面，不那么堅(jiān)硬的物體很難匹配。例如，兩個(gè)不同的人體模型以不同的姿勢展示同一件襯衫／裙子，這可能會(huì)讓傳統(tǒng)技術(shù)難以處理。

你可能知道，可以嘗試使用基于元數(shù)據(jù)的方法或甚至使用傳統(tǒng)的基于計(jì)算機(jī)視覺的技術(shù)來識(shí)別類似的圖像。兩者都有各自的優(yōu)點(diǎn)和缺點(diǎn)。現(xiàn)在讓我們從深度學(xué)習(xí)的角度來探索圖像的相似性。

圖像特征與遷移學(xué)習(xí)

遷移學(xué)習(xí)可以用于特征提取、微調(diào)和預(yù)訓(xùn)練設(shè)置。

回顧cnn的特征提取，我們知道預(yù)訓(xùn)練的模型中的初始層可以理解圖像。

在遷移學(xué)習(xí)的幫助下，我們可以訓(xùn)練由預(yù)訓(xùn)練好的網(wǎng)絡(luò)作為特征提取器，然后再訓(xùn)練幾個(gè)淺層。

反向圖像搜索用例巧妙地利用了預(yù)訓(xùn)練模型的特征提取特征（遷移學(xué)習(xí)）。

讓我們利用預(yù)訓(xùn)練好的ResNet－50將圖像轉(zhuǎn)化為特征。這些特征通常是密集的一維向量。將輸入轉(zhuǎn)換為向量的過程也稱為向量化。

我們首先需要準(zhǔn)備一個(gè)預(yù)訓(xùn)練ResNet－50模型的實(shí)例。接下來，我們需要一個(gè)實(shí)用函數(shù)來預(yù)處理輸入圖像并得到向量輸出。代碼清單1給出了實(shí)現(xiàn)。

代碼清單1：使用預(yù)訓(xùn)練的ResNet－50將圖像轉(zhuǎn)換為特征向量

＃ 獲取預(yù)訓(xùn)練模型的工具函數(shù)

def get＿pretrained＿model（name）：

  if （name ＝＝ ＇resnet＇）：

      ＃ keras API輕松使用預(yù)訓(xùn)練模型

      model ＝ ResNet50（weights＝＇imagenet＇，
                        include＿top＝False，
                        input＿shape＝（224， 224， 3），
                    pooling＝＇max＇）

  else：

      print（＂Specified model not available＂）

  return model

＃ 將圖像轉(zhuǎn)換為矢量的實(shí)用函數(shù)

def extract＿features（img＿path， model）：

   input＿shape ＝ （224， 224， 3）

   img ＝ image．load＿img（img＿path，

                       target＿size＝（input＿shape［0］， input＿shape［1］））

  img＿array ＝ image．img＿to＿array（img）

  expanded＿img＿array ＝ np．expand＿dims（img＿array， axis＝0）

  preprocessed＿img ＝ preprocess＿input（expanded＿img＿array）

  features ＝ model．predict（preprocessed＿img）

  flattened＿features ＝ features．flatten（）

  normalized＿features ＝ flattened＿features ／ norm（flattened＿features）

  return normalized＿features

＃ 獲取一個(gè)隨機(jī)圖像的特征向量

features ＝ extract＿features（＇101＿ObjectCategories／Faces／image＿0003．jpg＇，
                           model）

如果我們仔細(xì)看一下清單1中的代碼，keras API使得準(zhǔn)備預(yù)訓(xùn)練模型的實(shí)例和使用它來進(jìn)行我們預(yù)期的特征提取非常容易。

如圖所示，該函數(shù)將圖像輸入轉(zhuǎn)換為2048維密集向量輸出。2048維向量是從ResNet模型的平均池化層中獲得的，該模型在沒有分類層的情況下實(shí)例化。

注意：我們利用ResNet－50來獲得圖像向量，但我們可以自由使用任何其他預(yù)訓(xùn)練模型。我們只需要記住一些方面，例如預(yù)訓(xùn)練網(wǎng)絡(luò)的領(lǐng)域和我們的反向圖像搜索數(shù)據(jù)集以及輸出向量的維數(shù)。

例如，如果我們用vgg －16來代替ResNet－50，特征向量就會(huì)減少到512維。我們將進(jìn)一步討論這些選擇的影響。

在我們開始實(shí)際的反向圖像搜索任務(wù)之前，我們需要一個(gè)數(shù)據(jù)集開始。為了說明目的，我們將使用加州理工學(xué)院101?數(shù)據(jù)集。這個(gè)數(shù)據(jù)集是由李飛飛和他的團(tuán)隊(duì)在2003年收集的，包含了大約40到800張圖像，分別屬于101個(gè)不同的對象類別。

該數(shù)據(jù)集具有相當(dāng)高質(zhì)量的圖像，非常適合我們的理解目的。

我們已經(jīng)準(zhǔn)備了一個(gè)將圖像轉(zhuǎn)換為向量的工具，讓我們利用相同的函數(shù)來獲得參考數(shù)據(jù)集中圖像的向量表示。這也有助于可視化這些向量，以更好地理解他們。

這個(gè)想法是，相似的物體／圖像應(yīng)該有附近的向量。但我們?nèi)绾慰梢暬�一個(gè)2048維空間呢？為此，我們將采用一種降維技術(shù)，稱為t－SNE。不用講太多細(xì)節(jié)，把t－SNE看作是將高維向量轉(zhuǎn)換為低維空間的方法，同時(shí)保持重要的特征。

有一個(gè)非常簡化的例子，目前有一個(gè)非常長的雜貨清單。將清單上的單個(gè)項(xiàng)目分類為蔬菜、水果、乳制品等少數(shù)類別，可以看作是向低維空間的轉(zhuǎn)變，同時(shí)仍然保留重要特征。

在我們目前的情況下，我們將使用t－SNE將2048維向量轉(zhuǎn)換為2維或3維。通過降低維度，我們可以很容易地可視化。

代碼清單2展示了將我們的參考數(shù)據(jù)集轉(zhuǎn)換為向量，然后為了可視化目的降低它們的維數(shù)。代碼清單2：向量化Caltech－101數(shù)據(jù)集和基于t－SNE的降維

batch＿size ＝ 64

root＿dir ＝ ＇101＿ObjectCategories／＇

datagen ＝ tensorflow．keras．preprocessing．

    image．ImageDataGenerator（preprocessing＿function＝preprocess＿input）

＃  ImageDataGenerator對象可以根據(jù)需要從磁盤讀取

＃  而不用占用大量內(nèi)存

generator ＝ datagen．flow＿from＿directory（root＿dir，
                                       target＿size＝（224， 224），
                                       batch＿size＝batch＿size，
                                       class＿mode＝None，
                                       shuffle＝False）

num＿images ＝ len（generator．filenames）

num＿epochs ＝ int（math．ceil（num＿images ／ batch＿size））

start＿time ＝ time．time（）

feature＿list ＝ ［］

＃ 模型預(yù)測是特征向量，因?yàn)樽罱K的分類層被移除

feature＿list ＝ model．predict（generator， num＿epochs）

end＿time ＝ time．time（）

＃ 功能被規(guī)范化以避免縮放問題。

＃ 限制一個(gè)特征可能采用的值的范圍，以確保一個(gè)或幾個(gè)維度不會(huì)主導(dǎo)整個(gè)特征空間。

for i， features in tqdm（enumerate（feature＿list））：

  feature＿list［i］ ＝ features ／ norm（features）

print（＂Num images   ＝ ＂， len（generator．classes））

print（＂Shape of feature＿list ＝ ＂， feature＿list．shape）

print（＂Time taken in sec ＝ ＂， end＿time － start＿time）

＃ output

Num images   ＝  9144

Shape of feature＿list ＝  （9144， 2048）

Time taken in sec ＝  30．623387098312378

我們已經(jīng)完成了一半，準(zhǔn)備了一個(gè)反向圖像搜索的解決方案。下一步使用這些特征來識(shí)別類似的圖像。

ANNOY：超快的鄰居搜索ANNOY是一個(gè)高度優(yōu)化的超快的最近鄰居搜索方法。ANNOY由Spotify開發(fā)，旨在為用戶提供音樂推薦。由于每天有數(shù)百萬用戶在他們的手機(jī)和網(wǎng)絡(luò)上使用它，實(shí)現(xiàn)的重點(diǎn)是速度和準(zhǔn)確性。

ANNOY是用C＋＋開發(fā)的，并且提供Python包裝器，ANNOY是一個(gè)基于樹的向量相似度搜索方法，它有效地利用了內(nèi)存和并行處理。它提供了許多距離度量選項(xiàng)，如歐幾里得、余弦、漢明等。

讓我們在代碼清單3中查看使用ANNOY來進(jìn)行反向圖像搜索的快速實(shí)現(xiàn)。

代碼清單3 （a）：基于ANNOY的反向圖像搜索

from annoy import AnnoyIndex

annoy＿index ＝ AnnoyIndex（2048，＇angular＇）  

＃ 添加特征到annoy＿index

for i in range（num＿images）：

  feature ＝ feature＿list［i］

  ＃ 為每個(gè)annoy＿index添加特征向量

  annoy＿index．a(chǎn)dd＿item（i， feature）

＃ 構(gòu)建40個(gè)搜索樹

annoy＿index．build（40）

annoy＿index．save（＇annoy＿caltech101index．a(chǎn)nn＇）

＃ 測試搜索性能

％timeit annoy＿index．get＿nns＿by＿vector（feature＿list［random＿image＿index］，
                                     5，
                                     include＿distances＝True）

＃ 輸出

1000 loops， best of 3： 770 ?s per loop

代碼清單3 （b）：測試基于ANNOY的反向圖像搜索性能

＃ 測試一個(gè)更大的樣本

def calculate＿annoy＿time（）：

  for i in range（0， 100）：

    random＿image＿index ＝ random．randint（0， num＿images）
     

    ＃ 這個(gè)函數(shù)返回類似于查詢的vector

    indexes ＝ annoy＿index．get＿nns＿by＿vector（feature＿list［random＿image＿index］，
                                             5，
                                             include＿distances＝True）

％time calculate＿annoy＿time（）

＃ output

CPU times： user 139 ms， sys： 0 ns， total： 139 ms

Wall time： 142 ms

如清單3所示，使用ANNOY非常簡單。它是高效的，搜索時(shí)間驚人的快。搜索結(jié)果也非常令人印象深刻，如圖2所示。

圖2：基于ANNOY的反向圖像搜索。每一行表示一個(gè)搜索查詢。最左邊的列代表查詢圖像，最右邊代表搜索結(jié)果。每個(gè)匹配結(jié)果都標(biāo)有其與查詢圖像的歐氏距離。

在很大程度上，ANNOY克服了與搜索速度和內(nèi)存需求相關(guān)的限制。

它還提供了一些額外的選項(xiàng)來進(jìn)行調(diào)整，以進(jìn)一步提高性能。其中一個(gè)與特征向量的大小有關(guān)。這也是很明顯的。如果我們減少向量的大小，它將直接減少尋找鄰居所需的內(nèi)存大小。我們利用ResNet－50輸出2048維向量。如果我們使用像VGG－16， VGG－19甚至是MobileNet這樣的模型，VGG模型的特征向量將減少到512個(gè)，而MobileNet的特征向量將減少到1024個(gè)（幾乎減少了50％的大�。�。

除此之外，我們甚至可以利用典型的降維技術(shù)，如主成分分析（PCA）或甚至t－SNE，這是一些最廣泛使用的技術(shù)。這樣的技術(shù)可以幫助我們大幅減少特征向量的大小，從而減少總體的計(jì)算和內(nèi)存需求（盡管這將與搜索性能進(jìn)行權(quán)衡）。

優(yōu)化近鄰搜索方法的需求是如此之大，許多可擴(kuò)展的解決方案已經(jīng)開發(fā)了多年。

在不深入細(xì)節(jié)的情況下，諸如雅虎的LOPQ⁵，NGT⁶已經(jīng)在商業(yè)應(yīng)用程序應(yīng)用。在同一直線上，F(xiàn)acebook AI相似性搜索或FAISS為GPU優(yōu)化實(shí)現(xiàn)。

本節(jié)討論的反向圖像搜索的不同方法和實(shí)現(xiàn)是基于首先將圖像轉(zhuǎn)換為特征向量，然后是相似度搜索算法的核心思想。優(yōu)化后的實(shí)現(xiàn)進(jìn)一步關(guān)注內(nèi)存的利用，同時(shí)返回結(jié)果的速度仍然非�？臁�

從這一節(jié)可以明顯看出，反向圖像搜索是一個(gè)活躍的研究領(lǐng)域，通過這些技術(shù)，研究人員正在不斷地突破邊界。這些方法的成功開辟了越來越多的用例，其中反向圖像搜索是一個(gè)重要的方面。

現(xiàn)在我們對反向圖片搜索有了一個(gè)很好的理解，我們可以使用這些知識(shí)從電子商務(wù)網(wǎng)站輕松地找到類似的產(chǎn)品，甚至從一組照片中刪除重復(fù)。

同樣，反向圖片搜索也被Flickr等服務(wù)廣泛使用，用于推薦類似圖片、谷歌購物、Pinterest的“相似”功能、亞馬遜的產(chǎn)品掃描儀，識(shí)別剽竊作品。

不同的場景需要不同的技術(shù)，表1簡要介紹了本節(jié)中討論的每種方法，以供快速參考。

表1：各種鄰域搜索方法的總結(jié)

參考文獻(xiàn)

       原文標(biāo)題 : 使用遷移學(xué)習(xí)加強(qiáng)你的圖像搜索